Stochastic Diffusion: A Diffusion Probabilistic Model for Stochastic Time Series Forecasting

最近扩散概率模型的创新为图像、文本和音频生成带来了显著进展，使它们可以应用于生成时间序列预测。然而，利用这些能力来建模高度随机的时间序列数据仍然是一个挑战。本文提出了一种新颖的随机扩散（StochDiff）模型，它利用随机潜在空间的表征能力，在每个时间步骤上学习数据驱动的先验知识，以建模多元时间序列数据的可变性。学习到的先验知识有助于模型捕捉复杂的时间动态和数据固有的不确定性，从而提高其建模高度随机时间序列数据的能力。通过对真实世界数据集的广泛实验，我们展示了我们提出的模型在随机时间序列预测方面的有效性。此外，我们展示了我们模型在真实世界手术指导中的应用，突显了它在惠及医疗社区方面的潜力。

该论文旨在解决如何利用扩散概率模型来建模高度随机的时间序列数据的问题，提高其预测能力和对数据固有不确定性的建模能力。

该论文提出了一种新的Stochastic Diffusion（StochDiff）模型，利用随机潜在空间的表征能力，在每个时间步骤上学习数据驱动的先验知识，以建模多变量时间序列数据的可变性。学习到的先验知识有助于捕捉复杂的时间动态和数据固有的不确定性，提高模型对高度随机时间序列数据的建模能力。

该论文通过对真实世界数据集的广泛实验，展示了所提出模型在随机时间序列预测方面的有效性。此外，论文还展示了所提出模型在实际外科手术指导中的应用，突出了其对医疗界的潜在益处。

最近的相关研究包括：'Diffusion Probabilistic Models for Multivariate Time Series Forecasting'，'Stochastic Process-based Forecasting of Electricity Demand Using Diffusion Convolutional Recurrent Neural Network'，'DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks'等。